结合高斯回归模型和隐马尔可夫随机场的模糊聚类图像分割

为了克服经典模糊聚类图像分割算法对图像噪声的敏感性,该文提出结合高斯回归模型(GRM)和隐马尔科夫随机场(HMRF)的模糊聚类图像分割算法。该算法用信息熵正则化模糊C均值(FCM)的目标函数,再用KL(Kullback-Leibler)信息加以改进,并将HMRF和GRM模型应用到该目标函数中,其中HMRF模型通过先验概率建立标号场邻域关系,而GRM模型则在中心像素标号与其邻域像素标号一致的基础上建立特征场邻域关系。利用提出的算法和其它经典算法分别对模拟图像、真实SAR图像以及纹理图像进行了分割实验,并对分割结果进行精度评价。实验结果表明,该文提出的算法具有更高的分割精度。

泊松逆高斯回归模型的贝叶斯统计推断

本文研究泊松逆高斯回归模型的贝叶斯统计推断.基于应用Gibbs抽样,Metropolis-Hastings算法以及Multiple-Try Metropolis算法等MCMC统计方法计算模型未知参数和潜变量的联合贝叶斯估计,并引入两个拟合优度统计量来评价提出的泊松逆高斯回归模型的合理性.若干模拟研究与一个实证分析说明方法的可行性.

逆高斯回归模型的贝叶斯分析

文章对逆高斯回归模型进行贝叶斯统计分析,通过利用Gibbs抽样和MH算法得到模型参数的贝叶斯估计以及贝叶斯数据删除诊断统计量的计算。数值模拟说明了方法的可行性。

逆高斯回归模型的影响诊断

本文基于曲率方法提出了适合逆高斯回归模型的局部影响分析,分别研究了在加权扰动,响应变量扰动和解释变量扰动下的影响分析问题,得到了相应的诊断统计量.最后,给出了具体的数值实例,说明了本文方法的有效性.

伽马回归模型与逆高斯回归模型在房价预测中的应用

利用伽马回归模型和逆高斯回归模型对台湾省新北市新店区的房价数据集进行了建模和预测,并采用迭代加权最小二乘法对模型参数进行了估计,而后利用图示法和均方误差值(MSE)对两模型关于房子单价的预测值与房子单价的观测值进行了对比。结果表明:伽马回归模型和逆高斯回归模型均适用于对台湾新北市新店区房子单价的预测,其中伽马回归模型在台湾新北市新店区房价数据的拟合和预测上均优于逆高斯回归模型。为此,从房地产开发商和客户两个角度提出了建议:前者,对该地区便利店的店家进行优惠补贴,吸引更多的商店入驻,为该地区的居民提供便利服务,同时开展大量的购房优惠活动,吸引更多的人进行买房;后者,能为客户提供一个相对合理的购房参考。

混合高斯自回归模型参数估计方法之LS-EM

混合高斯自回归模型对有色非高斯数据的概率密度和功率谱密度进行有效的拟合,而LS-EM算法则可解决这一模型的参数估计问题.描述了混合高斯自回归模型及其参数估计问题之后,导出了具体的LS-EM算法,并给出了一组仿真实例.这是一种参数耦合估计算法,首先基于传统的最小二乘技术得到功率谱密度参数粗估计,进行预白,然后应用EM迭代得到白激励的概率密度估计,并基于此构建一加权函数,以此权函数改进最小二乘算法,进而得到模型参数的精估计.

基于EEMD高斯过程自回归模型的缝洞型油藏开发动态指标预测

缝洞型油藏储集空间类型多样,大缝大洞的存在使得见水特征复杂多样,同时受各类工程、地质因素影响,生产数据非线性、非稳态,动态指标实时预测难度大。对此提出了一种结合集合经验模态分解(EEMD)和信息熵的高斯过程自回归模型的开发动态指标预测方法:①利用EEMD方法将生产数据分解成若干个平稳的本征模态函数(IMF)分量;②采用信息熵计算由于工作制度频繁调整而引起的数据波动程度;③利用分解的低频分量提取拟稳态数据段,对方差贡献度较大的各IMF分量建立高斯过程自回归模型;④叠加各分量计算结果作为预测值。仿真实验表明这种新算法能够有效应用于缝洞型油藏开发动态指标预测,可以预测生产井各项生产指标的变化趋势,为后期生产开发方案调整提供依据,指导油田的整体开发。

混合高斯自回归模型参数估计方法之ML-DC

混合高斯自回归模型可以对有色非高斯数据的概率密度和功率谱密度进行有效的拟合.而ML-DC算法则可解决这一模型的参数估计问题。描述了混合高斯自回归模型及其参数估计问题之后,分别导出了功率谱密度参数的最大似然估计和概率密度参数估计的动态簇算法,并由此组成了参数耦合估计的ML-DC算法。最后结合一组仿真实例对其估计性能进行了详细探讨,指出并解释了算法的适用范围。

基于高斯回归预测的超声成像高分辨率重建

油水两相流过程的可视化检测对多相流研究与石油和化工等工业生产具有重要意义。超声层析成像技术具有非侵入、无辐射、安装方便等优点,在油水两相流检测中有很好的应用前景。针对超声层析成像实现低对比度声学特性的油、水两相介质分布重建问题,提出一种高分辨率图像重建方法。该方法通过构建基于阶段奇异值分解的降维同步代数重建算法,在保证重建精度的同时提高重建速度,并采用高斯回归模型将低分辨率的重建结果转化为高分辨率图像。仿真模拟测试结果表明,该算法重建图像误差小、分辨率较高,能满足实时成像要求。

基于GPR代理模型和GA-APSO混合优化算法的软基水闸底板脱空反演

软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自适应惯性权重粒子群(genetic algorithm-adaptive particle swarm optimization,GA-APSO)混合优化算法的水闸底板脱空动力学反演方法,用于检测软基水闸底板脱空。首先,构建表征软基水闸底板脱空参数和水闸结构模态参数之间非线性关系的GPR代理模型;其次,基于GPR代理模型与水闸实测模态参数建立脱空反演的最优化数学模型,将反演问题转化为目标函数最优化求解问题;最后,为提高算法寻优计算的精度,提出一种GA-APSO混合优化算法对目标函数进行脱空反演计算,并提出一种更合理判断反演脱空区域面积和实际脱空区域面积相对误差的指标—面积不重合度。为验证所提方法性能,以一室内软基水闸物理模型为例,对两种不同脱空工况开展研究分析,结果表明,反演脱空区域面积和模型实际设置脱空区域面积的相对误差分别为8.47%和10.77%,相对误差值较小,证明所提方法能有效反演出水闸底板脱空情况,可成为软基水闸底板脱空反演检测的一种新方法。

基于GGRA-GPR模型的洪涝灾害直接经济损失预评估

随着经济发展及洪涝灾害频率和强度的增加,灾后应急管理需快速了解灾害损失,需先从致灾因子、承灾体、孕灾环境、应急能力、灾情等5个方面构建指标体系,并基于广义灰色关联分析验证其合理性,其次引入高斯过程回归模型对洪涝灾害经济损失进行预评估模拟,最后运用该方法评估了京津冀城市群2010~2020年洪涝灾害直接经济损失。结果表明,对比单纯高斯过程回归与神经网络评估模型,广义灰色关联分析—高斯过程回归模型具有最优的拟合精度。

有色非高斯背景下微弱信号的Rao有效绩检验

混合高斯Rao有效绩检验是实现有色非高斯背景下微弱信号检测的渐近最佳检测器,预白化和高斯化技术的应用使得它的检测性优于传统的匹配滤波器.在使用混合高斯自回归模型描述检测问题之后,基于功率谱密度和概率密度参数估计,引入预白化和高斯化滤波器,构建起模块化的、实用的混合高斯Rao有效绩检测器.然后对其检测性能进行了深入分析,揭示了预白化和高斯化技术改善检测性能的机理所在.最后给出了一组湖试数据检测实例.

土石坝料压实特性改进多输出预测模型研究

土石坝料压实特性对保证大坝施工质量至关重要。然而,当前坝料压实特性预测主要是对物理、力学和渗透压实特性的单输出回归预测,缺乏对各压实特性目标间相关性的考虑。针对上述问题,提出土石坝料压实特性的改进多输出高斯过程回归(IMO-GPR)预测模型。采用具有噪声的基于密度的聚类方法构建目标特定特征,对多输出高斯过程回归(MO-GPR)模型原始输入空间进行特征扩展,提高模型高维特征空间复杂映射关系解耦能力;同时,结合MO-GPR模型中的输出协方差系数矩阵,实现对多输出压实特性目标间相关性的有效考虑,以最终实现多输出压实特性精确预测。相比传统的高斯过程回归(GPR)、多输出极限学习机(MO-ELM)和MOGPR模型,所提IMO-GPR模型的预测精度分别提高了24%、20%和17%,且对噪声干扰、数据异常、数据量少等情况具有更强的鲁棒性,为土石坝料压实特性分析提供了新思路。

基于实验数据训练的切削力组合预测模型

为提高切削力预测模型的准确性和稳定性,采用最优权值组合预测模型,以实验数据训练为基础,将人工神经网络模型、高斯过程回归模型及切削力经验公式这3个单一预测模型进行组合,对机械加工过程中的切削力进行预测。应用3种误差分析方法(均方根误差、平均绝对百分比误差及平均绝对误差)对组合预测模型进行评价,以此验证组合模型的稳定性和准确性。结果表明,相比于单一预测模型,组合算术平均模型所得结果与实验数据吻合良好,具有较高的精度和稳定性,对于切削力的预测具有参考价值。

基于优化的组合协方差高斯过程的表面粗糙度预测

加工过程中产生的表面质量(如粗糙度)的数据序列包含多种特征,为能捕捉更多的数据特征,提高表面粗糙度的预测精度,提出采用组合协方差的高斯过程回归(CGPR)模型预测表面粗糙度,来捕捉数据特征中的线性特征和非线性特征;为获得CGPR模型的最佳超参数组合,采用人工蜂群(ABC)优化算法对超参数寻优,形成人工蜂群—组合协方差的高斯过程回归(ABC-CGPR)模型。通过45钢的车削试验,基于不同切削用量和刀具结构,建立了各类不同组合协方差的ABC-CGPR预测模型和单一协方差的ABC-GPR预测模型,并对比其预测性能,结果展示CGPR预测模型相比单一的GPR预测模型具有更高的预测精度,其中线性协方差函数与Matern协方差函数组合的预测精度最高,为实际加工中选取满意的预测模型提供了有效的指导。

GPFR混合模型的动态模型选择算法

作为一种有效的数据建模和分析工具,高斯过程混合(MGP)模型被广泛地应用于时间序列的分析与预测,并成为一种新的机器学习模型。在传统的MGP模型中,高斯过程(GP)的均值被假设为零,这给其应用带来了很大的局限性,因此人们提出了可进行均值函数学习的高斯过程函数回归(GPFR)模型及其混合模型(MGPFR)进行更为精细的数据建模。与MGP模型一样,MGPFR模型同样存在着模型选择的问题。为了解决MGPFR模型的模型选择问题,本文将同步平衡准则进行了推广,并提出了相应的模型选择和动态模型选择算法,并通过实验发现了惩罚项系数的合理区间。实验表明,这些算法在模型选择和预测上均有很好表现,并且能够有效地应用于曲线聚类。

基于GPR-PSO模型的永磁同步电机气隙磁密波形优化

为了使永磁同步电动机气隙磁密波形具有良好的正弦性,以气隙径向磁密波形的谐波畸变率为目标,磁钢的偏心距、极弧系数、磁钢厚度以及磁钢的充磁方向为因素变量进行优化。引进了正交实验设计的方法合理地安排了实验因素变量的搭配,利用有限元软件ANSYS Maxwell2D仿真分析得到数据样本集,采用了高斯混合回归模型(GPR)对数据样本集进行拟合,得到拟合回归模型。采用方差分析方法分析了各个因素对于谐波畸变率的影响的程度。将拟合回归函数作为适应度函数,通过粒子群算法(PSO)寻优,得到最优的磁钢参数。以一台48槽8极的永磁同步电动机为例进行仿真实验,结果表明,通过GPR-PSO模型的方法可以有效降低永磁同步电机的气隙磁密波形畸变率,使波形得到良好的改善。

基于FCM-GPR模型的电力网空间负荷预测方法研究

利用高斯过程回归模型描述不同时间尺度下负荷序列的基本演化趋势、强波动和随机噪声水平。对历史负荷数据进行可视化分析,挖掘整理出不同时间尺度下的历史负荷数据,与气候数据一起作为特征数据。采用模糊聚类算法对整理出的特征数据进行筛选,消除冗余信息,构造出紧凑有效的最优特征集。将历史负荷数据代入高斯过程回归模型进行训练,并利用实际电力数据对模型进行了测试,验证了所提出模型具有较高的预测精度与鲁棒性。

塔里木河中下游荒漠河岸林植被对地下水埋深变化的响应

结合塔里木河中下游74个植被样地和74眼地下水位监测井(2005-2007年)数据,将地下水位按不同埋深划分为0￣2m,2￣4m,4￣6m,6￣8m,8￣10m和>10m6个梯度,对不同地下水埋深下的群落盖度、物种多样性进行了分析,并探讨了主要植物种分布频率与地下水埋深的关系。结果表明:在地下水位2￣4m时,物种多样性最高,其次为4￣6m,再次为0￣2m;当地下水位在6m以下时,物种多样性锐减。塔里木河中下游主要植物最适宜水位在2￣4m之间;这些植物能够正常生长的地下水埋深区间为3￣6m。这表明,塔里木河下游植被恢复的地下水位应确保达到6m以上。

塔里木河中游荒漠河岸林物种多样性对地下水埋深变化的响应

于塔里木河中游地区选取30个样地,并采集相应地区30眼地下水位监测井的数据。根据监测井的地下水位检测数据,将地下水位按不同埋藏深度划分为0~2 m、2~4 m、4~6 m、6~8 m、8~10 m、〉10 m共6个梯度,对不同地下水埋深下的样地群落盖度、物种多样性进行分析,以探讨主要植物分布频率与地下水埋深的关系,明确塔里木河中游地区荒漠河岸林植被的合理生态水位,为塔里木河中游地区乃至全流域的生态系统恢复提供依据。结果显示：（1）塔里木河中游地区共出现植物15种,其优势种植物为胡杨。（2）随着地下水位的降低,植被的盖度逐渐减小;当地下水位介于2~4 m时,植被的盖度平均为39.14%,当地下水埋深介于6~8 m时,植被的覆盖度小于20%;当地下水位低于10 m时,植被的平均覆盖度仅为7.65%。（3）随着地下水位的降低,研究区内的各类物种多样性指数均呈先增加后降低的趋势,一般在地下水埋深2~4 m时物种的多样性最高,其次为4~6 m和0~2 m;当地下水位在6 m以下时,物种的多样性锐减,地下水位低于10 m时,物种仅存柽柳和胡杨,多样性降至很小。（4） 塔里木河中游地区植物所要求的地下水平均深度为：胡杨4.58 m、柽柳3.53 m、芦苇2.34 m、骆驼刺4.10 m、花花柴3.18 m、黑刺2.98 m,只有芦苇适宜较浅的地下水埋深（≤2.5 m）,其余的均宜在3~4 m左右。研究表明,在塔里木河中游地区,最适宜植物生长的地下水位为2~4 m,能够保证植物正常生长的合理地下水埋深区间为2~6 m。因此,要使塔里木河中游地区的植被得到恢复并确保其正常生长,区域内的地下水位应确保在6 m以上。